Recall-Augmented Ranking: Enhancing Click-Through Rate Prediction Accuracy with Cross-Stage Data

点击率（CTR）预测在在线平台中发挥着不可或缺的作用。许多模型已被提出，通过利用用户行为序列来捕捉用户的变化偏好。然而，与广泛的项目库相比，这些历史序列往往受到严重的同质性和稀缺性的影响。仅依靠这些序列来表示用户是固有的限制，因为用户的兴趣超出了他们之前参与过的项目范围。为了解决这个挑战，我们提出了一种数据驱动的方法来丰富用户表示。我们认识到用户个人资料和召回项目是跨阶段框架中的两个理想数据源，分别涵盖了u2u（用户对用户）和i2i（项目对项目）方面。在本文中，我们提出了一种名为Recall-Augmented Ranking（RAR）的新型架构。RAR由两个关键子模块组成，它们从大量的相似用户和召回项目中协同收集信息，从而得到丰富的用户表示。值得注意的是，RAR与许多现有的CTR模型正交，可以以即插即用的方式实现一致的性能改进。进行了大量实验，验证了RAR相对于SOTA方法的功效和兼容性。

提高点击率预测的效果，解决用户历史行为序列稀疏和同质性的问题。

提出一种数据驱动的方法，通过用户画像和物品召回两种数据源来丰富用户表示，设计了一个名为RAR的新架构，它由两个关键子模块组成，可以从大量的相似用户和召回物品中获取信息，从而实现用户表示的丰富。

实验结果表明，RAR比SOTA方法更有效，且与现有CTR模型正交，可以以插入方式进行性能改进。论文还提供了大量的实验细节、数据集和代码。

最近的相关研究包括：《Neural Collaborative Filtering with Long- and Short-term User Representations》、《Sequential Recommender System based on Hierarchical Attention Networks》等。